CN112884059A - 一种融合先验知识的小样本雷达工作模式分类方法 - Google Patents
一种融合先验知识的小样本雷达工作模式分类方法 Download PDFInfo
- Publication number
- CN112884059A CN112884059A CN202110254832.6A CN202110254832A CN112884059A CN 112884059 A CN112884059 A CN 112884059A CN 202110254832 A CN202110254832 A CN 202110254832A CN 112884059 A CN112884059 A CN 112884059A
- Authority
- CN
- China
- Prior art keywords
- pulse
- network
- vector
- class
- working mode
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/021—Auxiliary means for detecting or identifying radar signals or the like, e.g. radar jamming signals
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/418—Theoretical aspects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Radar, Positioning & Navigation (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种融合先验知识的小样本雷达工作模式分类方法,包括获取各雷达工作模式下的脉冲数据,根据脉冲数据生成伪图片样本;将生成的伪图片样本输入原型网络进行分类训练,得到每一类的类中心向量;利用先验知识构建知识向量和标签,输入中心网络进行训练,得到每一类的预中心向量;构建损失函数,将损失函数反向传播以更新融合先验知识的原型网络的网络参数,得到最优原型网络;利用最优原型网络对待识别的脉冲数据进行雷达工作模式识别分类。本发明通过结合雷达各工作模式下脉冲参数的变化规律作为先验知识经过中心网络映射为预中心向量后加入原型网络的损失函数并进行反向传播,提高了小样本情况下雷达工作模式分类的准确率。
Description
技术领域
本发明涉及雷达信号识别技术领域,具体涉及一种融合先验知识的小样本雷达工作模式分类方法。
背景技术
识别雷达信号作为雷达对抗***中的一个重要环节,在电子侦察中发挥着不可比拟的作用。识别雷达信号包括首先识别对方的雷达辐射源型号及进一步地识别出其属于该型号下的多种工作模式的哪种类别,即雷达工作模式的分类,才能对对方的行为意图加以预测并及时进行干扰。然而在实际情况中,接收到对方的雷达信号的脉冲样本数可能是极少的,这使得我们在对雷达工作模式进行分类时面临许多困难。
雷达工作模式的分类是指以脉冲流为同一部雷达的脉冲串为处理对象,通过对此脉冲串参数的分析处理,来完成对当前雷达辐射源的多种工作模式的分类,以便后续做出更加合理的防御及干扰决策。目前对雷达的工作模式的分类主要分为基于载波频率、脉冲到达角、脉冲到达时间、脉冲重复间隔等多维特征参数的基于参数的雷达工作模式分类方法,和新出现的基于句法的雷达工作模式分类方法。本发明所采用的是基于参数的雷达工作模式分类方法。
由于传统的雷达工作模式分类方法无论是基于参数的模式分类方法或是基于句法的模式分类方法,对脉冲串的处理途径可以分为基于机器学习,如经典的SVM算法;或基于深度学习,如卷积神经网络等深度神经网络。以上方法均是以具有大量的训练样本为前提,难以满足小样本雷达辐射源的工作模式分类任务,所以如何完成小样本情况下的雷达工作模式识分类并提高识别准确率具有重大意义。
发明内容
针对现有技术中的上述不足,本发明提供了一种融合先验知识的小样本雷达工作模式分类方法,以实现在雷达脉冲样本数量很少的情况下,完成雷达工作模式分类的任务,并通过融合先验知识的技术手段提高分类准确率。
为了达到上述发明目的,本发明采用的技术方案为:
一种融合先验知识的小样本雷达工作模式分类方法,包括以下步骤:
S1、获取各雷达工作模式下的脉冲数据,根据脉冲数据生成伪图片样本;
S2、将步骤S1生成的伪图片样本输入原型网络进行分类训练,得到每一类的类中心向量;
S3、将各雷达工作模式下的脉冲变化规律作为先验知识构建知识向量,并将步骤S2得到的每一类的类中心向量作为对应工作模式类别下的知识向量的标签,输入中心网络进行训练,得到每一类的预中心向量;
S4、根据步骤S2得到的每一类的类中心向量和步骤S3得到的每一类的预中心向量构建损失函数,将损失函数反向传播以更新融合先验知识的原型网络的网络参数,得到最优原型网络;
S5、利用最优原型网络对待识别的脉冲数据进行雷达工作模式识别分类。
进一步地,所述步骤S1具体包括以下分步骤:
S11、获取多个雷达不同工作模式下的脉冲数据,分别提取脉冲到达时间、脉冲载频和脉冲宽度参数;
S12、将每相邻两个脉冲数据的脉冲到达时间参数作差,得到脉冲间隔频率参数;
S13、将每种雷达工作模式下的脉冲间隔频率、脉冲载频和脉冲宽度参数作为三维特征,并根据每连续的设定个数的脉冲数据生成伪图片样本。
进一步地,所述步骤S1后还包括:
将生成的所有伪图片样本按照设定比例划分为训练集、验证集和测试集,其中训练集包括支撑集和查询集。
进一步地,所述步骤S2具体包括以下分步骤:
S21、分别对训练集的支撑集和查询集中每一类脉冲数据样本通过原型网络中的卷积神经网络提取每个样本的特征向量;
S22、对支撑集中每一类脉冲数据样本的特征向量求和取平均,计算每一类的类中心向量;
S23、将查询集中每一类脉冲数据样本的特征向量依次与对应类的类中心向量计算欧氏距离;
S24、将得到的欧氏距离作为损失函数,并反向传播以更新原型网络中的卷积神经网络的网络参数;
S25、在每次迭代过程中重复步骤S21至S24,直至原型网络收敛,得到训练后的每一类的类中心向量。
进一步地,所述步骤S3具体包括以下分步骤:
S31、将各雷达工作模式下的脉冲变化规律作为先验知识,构建知识向量;
S33、将得到的所有知识向量加入高斯噪声作为训练样本;
S34、构建包含多层全连接层的中心网络,将训练样本进行归一化处理后随机排序输入中心网络;
S35、将步骤S2得到的每一类的类中心向量作为对应工作模式类别下的知识向量的标签,输入中心网络进行训练;
S36、将中心网络的输出进行逆归一化处理得到各雷达工作模式对应的预中心向量。
进一步地,所述步骤S31具体包括:
将各雷达工作模式下的脉冲变化规律作为先验知识,分别提取各雷达工作模式下将脉冲间隔频率、脉冲载频和脉冲宽度参数取值及脉冲规律完整出现一次的最大脉冲数;
根据提取的各雷达工作模式下脉冲间隔频率、脉冲载频和脉冲宽度参数对应的最大脉冲数构建多维度的知识向量。
进一步地,所述步骤S4中根据步骤S2得到的每一类的类中心向量和步骤S3得到的每一类的预中心向量构建损失函数,具体包括:
将查询集中每一类脉冲数据样本的特征向量依次与对应类的类中心向量及预中心向量分别计算欧氏距离,将计算得到的两个欧式距离加权求和作为原型网络的损失函数。
进一步地,所述步骤S4中将损失函数反向传播以更新融合先验知识的原型网络的网络参数,得到最优原型网络,具体包括:
每经过设定次数迭代,保存当前卷积神经网络,及经过当前卷积神经网络得到的类中心向量;
将验证集中每一类脉冲数据样本输入当前卷积神经网络提取每个样本的特征向量,将每一类脉冲数据样本的特征向量依次与得到的类中心向量计算欧氏距离,并将所有欧式距离进行拼接得到距离向量;
将距离向量进行log_softmax回归,得到分属于各类的概率分布,再取出最大概率所对应的索引得到预测类别;
比较预测类别与验证集样本的真实类别是否一致;若是,则将分类正确个数加一;否则不做处理;
遍历所有验证集样本,将预测正确个数除以验证集样本个数得到当前原型网络下雷达工作模式的分类准确率;
重复上述步骤,直至原型网络的分类准确率和损失函数均收敛,选择分类准确率最高的原型网络作为最优原型网络。
本发明具有以下有益效果:
本发明不需要大量的训练样本,在小样本的前提下通过原型网络训练,完成雷达工作模式分类;同时通过结合雷达各工作模式下PRI、RF、PW这三种参数的变化规律这一先验知识,将这一先验知识经过中心网络映射为预中心向量后加入原型网络的损失函数并进行反向传播,可以使各样本经过卷积神经网络后的嵌入特征向量更加具有类内相似性及类间区分性,优化了分类器,提高了小样本情况下雷达工作模式分类的准确率。
附图说明
图1为本发明融合先验知识的小样本雷达工作模式分类方法流程示意图;
图2为本发明实施例中两种网络模型的学习效果对比示意图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
本发明提供的小样本雷达工作模式分类方法包含三个阶段,其中第一阶段将数据输入原型网络中,预训练原始未融合先验知识的原型网络,得到每一类的类中心向量;第二阶段,将雷达先验知识即各雷达工作模式下脉冲到达频率PRI、脉冲载频RF、脉冲宽度PW三维参数的变化规律按本专利中所定义的方法定义为知识向量,并将第一阶段中的类中心向量作为每类知识向量对应的标签,训练中心网络,得到由先验知识经过中心网络所映射出的每类的预中心向量;第三阶段,将原型网络与以预中心向量形式存在的雷达先验知识相融合,并重新数据输入融合过后的原型网络进行训练,并测试,完成小样本雷达工作模式的分类任务。
如图1所示,本发明实施例提供的一种融合先验知识的小样本雷达工作模式分类方法,包括以下步骤S1至S5:
S1、获取各雷达工作模式下的脉冲数据,根据脉冲数据生成伪图片样本;
在本实施例中,步骤S1具体包括以下分步骤:
S11、获取多个雷达不同工作模式下的脉冲数据,分别提取脉冲到达时间、脉冲载频和脉冲宽度参数;
具体而言,本发明首先获取m类雷达共n种工作模式的脉冲数据,每个脉冲数据共包含5维特征,分别为脉冲到达时间TOA、脉冲载频RF、脉冲宽度PW、脉冲幅度PA及脉冲到达角DOA。
本发明从获取的脉冲数据中分别提取脉冲到达时间TOA、脉冲载频RF和脉冲宽度PW三维特征参数。
S12、将每相邻两个脉冲数据的脉冲到达时间TOA参数作差,得到脉冲间隔频率参数PRI;这里每相邻两个脉冲数据是指连续的每两个脉冲数据。
S13、将每种雷达工作模式下的脉冲间隔频率、脉冲载频和脉冲宽度参数作为三维特征,并根据每连续的设定个数的脉冲数据生成伪图片样本。
具体而言,本发明将每种雷达工作模式下的脉冲间隔频率PRI、脉冲载频RF和脉冲宽度PW参数作为三维特征,并根据每连续的s个脉冲数据处理为一张s×s×3的伪图片,单张伪图片作为该雷达工作模式下的一个输入样本,每种工作模式为一个类别,即数据共包括n个类别。
本发明在步骤S1后还包括:
将生成的所有伪图片样本按照设定比例划分为训练集、验证集和测试集,其中训练集包括支撑集和查询集。
具体而言,本发明将生成的所有伪图片样本数据集以8:1:1的比例划分为训练集、验证集及测试集,针对小样本的应用场景,每类仅选取10张伪图片样本作为训练集,其中5张作为支撑集,余下5张作为查询集。验证集及测试集中,每类选取20张伪图片样本进行模型测试。
S2、将步骤S1生成的伪图片样本输入原型网络进行分类训练,得到每一类的类中心向量;
在本实施例中,步骤S2具体包括以下分步骤:
S21、分别对训练集的支撑集和查询集中每一类脉冲数据样本通过原型网络中的卷积神经网络提取每个样本的特征向量;
具体而言,本发明分别对训练集的支撑集和查询集中每一类脉冲数据样本通过原型网络中一个卷积核大小为3*3的5层卷积神经网络,提取得到每个样本的特征向量。
S22、对支撑集中每一类脉冲数据样本的特征向量求和取平均,计算每一类的类中心向量,得到n个类中心向量{x1,x2,...,xi,...,xn};
S23、将查询集中每一类脉冲数据样本的特征向量依次与对应类的类中心向量计算欧氏距离;
S24、将得到的欧氏距离作为损失函数,并反向传播以更新原型网络中的卷积神经网络的网络参数,从而在网络训练迭代过程中不断地更新每个样本的特征向量,进而更新各类的类中心向量。
其中卷积神经网络的损失函数表示为:
式中,xl为样本的特征向量,xi为类中心向量。
S25、在每次迭代过程中重复步骤S21至S24,直至原型网络收敛,得到训练后的每一类的类中心向量。
具体而言,本发明在每次迭代过程epoch中重复步骤S21至S24,直至原型网络收敛,得到训练后的n个类中心向量{x1,x2,...,xi,...,xn},查询集样本的特征向量到对应类别的类中心向量的欧氏距离的数量级为10-p。
S3、将各雷达工作模式下的脉冲变化规律作为先验知识构建知识向量,并将步骤S2得到的每一类的类中心向量作为个工作模式类别下的知识向量的标签,输入中心网络进行训练,得到每一类的预中心向量;
在本实施例中,步骤S3具体包括以下分步骤:
S31、将各雷达工作模式下的脉冲变化规律作为先验知识,构建知识向量;
具体而言,本发明将各雷达工作模式下的脉冲变化规律作为先验知识,分别提取各雷达工作模式下将脉冲间隔频率、脉冲载频和脉冲宽度参数取值及脉冲规律完整出现一次的最大脉冲数;
根据提取的各雷达工作模式下脉冲间隔频率、脉冲载频和脉冲宽度参数对应的最大脉冲数构建多维度的知识向量。
本发明将各雷达工作模式下的脉冲间隔频率PRI、脉冲载频RF和脉冲宽度PW参数的变化规律作为先验知识,表征为一个(a+b+c)维的知识向量x。其中前a维为脉冲间隔频率PRI特征;第a+1维至第a+b维为脉冲载频RF特征;第a+b+1维至第a+b+c维为脉冲宽度PW特征。
下面以脉冲间隔频率PRI特征的维度a的取值方式进行说明。
脉冲间隔频率PRI特征的维度a的取值为各雷达工作模式下能将脉冲间隔频率PRI取值及脉冲规律完整出现一次的最大脉冲数,如表1所示。
当工作模式为3,雷达脉冲的PRI值分别在三个频率值[e,f,g]以[2,3,4]的组变规律重复,则PRI规律完整出现一次的排列为[e,e,f,f,f,g,g,g,g],即需要9个脉冲,则a暂取9。而工作模式1的PRI完整出现一次的排列为[s,t,t,t],a取4;工作模式2的PRI规律仅需一个脉冲即可完整出现,则a取1。遍历所有工作模式,取出最大的a值作为a,如上例a取9,则工作模式1的知识向量的前9维为[s,t,t,t,s,t,t,t,s],即在a个脉冲内重复PRI排列,工作模式2的知识向量的前9维均取h;b及c的取值方式同a,取为各工作模式下将RF及PW的取值及脉冲规律完整出现一次的最大脉冲数。
S33、将得到的所有知识向量加入高斯噪声作为训练样本;
具体而言,本发明将这n个向量重复处理多次,每次均加入以0为均值,0.12为方差的高斯噪声,这些向量作为训练样本。
S34、构建包含多层全连接层的中心网络,将训练样本进行归一化处理后随机排序输入中心网络;
具体而言,本发明构建网络结构为4层级联的全连接层的中心网络,前三层的激活函数均为relu,最后一层的激活函数为tanh。训练样本中每一类样本对应的目标向量为原型网络自身收敛后得到的类中心向量并归一化后的向量,中心网络的损失函数选取均方误差MSE,目的是为了将n种雷达工作模式的三维参数变化规律映射为一个预中心向量,并让输入向量即知识向量与目标向量即预训练原型网络后得到的类中心向量的距离尽量接近,使输入的知识向量与预先训练原型网络所得的类中心向量的分布尽量接近。中心网络的输出再做逆归一化处理即为每种雷达工作模式对应的预中心向量。
S35、将步骤S2得到的每一类的类中心向量作为对应工作模式类别下的知识向量的标签,输入中心网络进行训练;
S4、根据步骤S2得到的每一类的类中心向量和步骤S3得到的每一类的预中心向量构建损失函数,将损失函数反向传播以更新融合先验知识的原型网络的网络参数,得到最优原型网络;
在本实施例中,本发明将预中心向量以加权惩罚项的形式引入原型网络的损失函数中,根据步骤S2得到的每一类的类中心向量和步骤S3得到的每一类的预中心向量构建损失函数,具体包括:
将查询集中每一类脉冲数据样本的特征向量依次与对应类的类中心向量及预中心向量分别计算欧氏距离,将计算得到的两个欧式距离加权求和作为原型网络的损失函数,表示为:
其中,l表示当前查询集样本序号,p表示查询集样本到原型中心向量的欧氏距离的数量级。
本发明将损失函数反向传播以更新融合先验知识的原型网络的网络参数,得到最优原型网络,具体包括:
每经过50次迭代epoch,保存当前epoch的卷积神经网络,及经过当前卷积神经网络得到的嵌入特征向量计算的n个类中心向量;
将验证集中每一类脉冲数据样本输入当前卷积神经网络,每类选取20张伪图片,提取每个样本的特征向量,将每一类脉冲数据样本的特征向量依次与得到的n个类中心向量计算欧氏距离,并将n个所有欧式距离进行拼接得到距离向量;
将距离向量进行log_softmax回归(对数softmax逻辑回归),得到分属于各类的概率分布,再取出最大概率所对应的索引得到预测类别;
比较预测类别与验证集样本的真实类别是否一致;若是,则将分类正确个数加一;否则不做处理;
遍历所有验证集样本,将预测正确个数除以验证集样本个数得到当前原型网络下雷达工作模式的分类准确率;
每经过一定的epoch,输入验证集数据对模型精度进行一次验证,并保存当前网络模型及当前原型网络所计算得到的类中心向量;重复上述步骤,直至原型网络的分类准确率和损失函数均收敛,选择分类准确率最高的原型网络作为最优原型网络。
S5、利用最优原型网络对待识别的脉冲数据进行雷达工作模式识别分类。
在本实施例中,将测试集数据,每类20张伪图片输入模型中,得到的测试精度为96.7%,即结合了雷达各工作模式下三维参数变化规律的原型网络对雷达工作模式的分类精度为96.7%。
相比于不结合雷达工作模式特征参数变化特征的原型网络,即每次训练中在损失函数中仅计算当前样本与各中心向量的欧式距离,并未加上样本与各预中心向量的欧式距离,两种网络模型的学习结果对比图如图2所示,示出了原型神经网络与融合了先验知识的原型网络在解决小样本雷达工作模式识别任务中的训练精度对比曲线,横轴表示epoch次数,纵轴表示训练精度。实线表示原型神经网络的训练曲线,虚线表示融合了先验知识的原型神经网络的训练曲线。
红线为没有结合雷达各工作模式下PRI、RF、PW三种参数特征变化规律的先验知识,直接将n种工作模式各5个样本的训练数据输入原型网络进行学习的学习曲线;蓝线为结合先验雷达工作模式参数知识以后的学习曲线,可以看出在训练初期相同迭代次数下训练精度有明显的提升。并且最终的识别准确率达到96.7%,高于不结合雷达工作模式参数变化规律先验知识情况下的识别准确率93%。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (8)
1.一种融合先验知识的小样本雷达工作模式分类方法,其特征在于,包括以下步骤:
S1、获取各雷达工作模式下的脉冲数据,根据脉冲数据生成伪图片样本;
S2、将步骤S1生成的伪图片样本输入原型网络进行分类训练,得到每一类的类中心向量;
S3、将各雷达工作模式下的脉冲变化规律作为先验知识构建知识向量,并将步骤S2得到的每一类的类中心向量作为对应工作模式类别下的知识向量的标签,输入中心网络进行训练,得到每一类的预中心向量;
S4、根据步骤S2得到的每一类的类中心向量和步骤S3得到的每一类的预中心向量构建损失函数,将损失函数反向传播以更新融合先验知识的原型网络的网络参数,得到最优原型网络;
S5、利用最优原型网络对待识别的脉冲数据进行雷达工作模式识别分类。
2.根据权利要求1所述的融合先验知识的小样本雷达工作模式分类方法,其特征在于,所述步骤S1具体包括以下分步骤:
S11、获取多个雷达不同工作模式下的脉冲数据,分别提取脉冲到达时间、脉冲载频和脉冲宽度参数;
S12、将每相邻两个脉冲数据的脉冲到达时间参数作差,得到脉冲间隔频率参数;
S13、将每种雷达工作模式下的脉冲间隔频率、脉冲载频和脉冲宽度参数作为三维特征,并根据每连续的设定个数的脉冲数据生成伪图片样本。
3.根据权利要求1或2所述的融合先验知识的小样本雷达工作模式分类方法,其特征在于,所述步骤S1后还包括:
将生成的所有伪图片样本按照设定比例划分为训练集、验证集和测试集,其中训练集包括支撑集和查询集。
4.根据权利要求3所述的融合先验知识的小样本雷达工作模式分类方法,其特征在于,所述步骤S2具体包括以下分步骤:
S21、分别对训练集的支撑集和查询集中每一类脉冲数据样本通过原型网络中的卷积神经网络提取每个样本的特征向量;
S22、对支撑集中每一类脉冲数据样本的特征向量求和取平均,计算每一类的类中心向量;
S23、将查询集中每一类脉冲数据样本的特征向量依次与对应类的类中心向量计算欧氏距离;
S24、将得到的欧氏距离作为损失函数,并反向传播以更新原型网络中的卷积神经网络的网络参数;
S25、在每次迭代过程中重复步骤S21至S24,直至原型网络收敛,得到训练后的每一类的类中心向量。
5.根据权利要求4所述的融合先验知识的小样本雷达工作模式分类方法,其特征在于,所述步骤S3具体包括以下分步骤:
S31、将各雷达工作模式下的脉冲变化规律作为先验知识,构建知识向量;
S33、将得到的所有知识向量加入高斯噪声作为训练样本;
S34、构建包含多层全连接层的中心网络,将训练样本进行归一化处理后随机排序输入中心网络进行映射;
S35、将步骤S2得到的每一类的类中心向量作为对应工作模式类别下的知识向量的标签,输入中心网络进行训练;
S36、将中心网络的输出进行逆归一化处理得到各雷达工作模式对应的预中心向量。
6.根据权利要求5所述的融合先验知识的小样本雷达工作模式分类方法,其特征在于,所述步骤S31具体包括:
将各雷达工作模式下的脉冲变化规律作为先验知识,分别提取各雷达工作模式下将脉冲间隔频率、脉冲载频和脉冲宽度参数取值及脉冲规律完整出现一次的最大脉冲数;
根据提取的各雷达工作模式下脉冲间隔频率、脉冲载频和脉冲宽度参数对应的最大脉冲数构建多维度的知识向量。
7.根据权利要求6所述的融合先验知识的小样本雷达工作模式分类方法,其特征在于,所述步骤S4中根据步骤S2得到的每一类的类中心向量和步骤S3得到的每一类的预中心向量构建损失函数,具体包括:
将查询集中每一类脉冲数据样本的特征向量依次与对应类的类中心向量及预中心向量分别计算欧氏距离,将计算得到的两个欧式距离加权求和作为原型网络的损失函数。
8.根据权利要求7所述的融合先验知识的小样本雷达工作模式分类方法,其特征在于,所述步骤S4中将损失函数反向传播以更新融合先验知识的原型网络的网络参数,得到最优原型网络,具体包括:
每经过设定次数迭代,保存当前卷积神经网络,及经过当前卷积神经网络得到的类中心向量;
将验证集中每一类脉冲数据样本输入当前卷积神经网络提取每个样本的特征向量,将每一类脉冲数据样本的特征向量依次与得到的类中心向量计算欧氏距离,并将所有欧式距离进行拼接得到距离向量;
将距离向量进行log_softmax回归,得到分属于各类的概率分布,再取出最大概率所对应的索引得到预测类别;
比较预测类别与验证集样本的真实类别是否一致;若是,则将分类正确个数加一;否则不做处理;
遍历所有验证集样本,将预测正确个数除以验证集样本个数得到当前原型网络下雷达工作模式的分类准确率;
重复上述步骤,直至原型网络的分类准确率和损失函数均收敛,选择分类准确率最高的原型网络作为最优原型网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110254832.6A CN112884059B (zh) | 2021-03-09 | 2021-03-09 | 一种融合先验知识的小样本雷达工作模式分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110254832.6A CN112884059B (zh) | 2021-03-09 | 2021-03-09 | 一种融合先验知识的小样本雷达工作模式分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112884059A true CN112884059A (zh) | 2021-06-01 |
CN112884059B CN112884059B (zh) | 2022-07-05 |
Family
ID=76053961
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110254832.6A Active CN112884059B (zh) | 2021-03-09 | 2021-03-09 | 一种融合先验知识的小样本雷达工作模式分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112884059B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113283804A (zh) * | 2021-06-18 | 2021-08-20 | 支付宝(杭州)信息技术有限公司 | 一种风险预测模型的训练方法和*** |
CN113298096A (zh) * | 2021-07-07 | 2021-08-24 | 中国人民解放军国防科技大学 | 训练零样本分类模型的方法、***、电子设备及存储介质 |
CN113505686A (zh) * | 2021-07-07 | 2021-10-15 | 中国人民解放军空军预警学院 | 一种无人机目标威胁评估方法及装置 |
CN114021458A (zh) * | 2021-11-05 | 2022-02-08 | 西安晟昕科技发展有限公司 | 基于并行原型网络的小样本雷达辐射源信号识别方法 |
CN115081472A (zh) * | 2022-05-18 | 2022-09-20 | 电子科技大学 | 一种用于雷达行为分析的脉冲信号语法建模及特征提取方法 |
CN115438735A (zh) * | 2022-09-09 | 2022-12-06 | 中国电信股份有限公司 | 基于联邦学习的质检方法、***、可读介质及电子设备 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000187037A (ja) * | 1998-12-24 | 2000-07-04 | Sysmex Corp | 精度管理機能を備えた試料分析装置 |
CN101140324A (zh) * | 2007-10-11 | 2008-03-12 | 上海交通大学 | 海域合成孔径雷达图像点目标提取的方法 |
CN101488188A (zh) * | 2008-11-10 | 2009-07-22 | 西安电子科技大学 | 基于混合核函数的svm分类器的sar图像分类方法 |
CN101509972A (zh) * | 2009-03-30 | 2009-08-19 | 西安电子科技大学 | 基于高分辨目标距离像修正相关矩阵的宽带雷达检测方法 |
CN101738614A (zh) * | 2008-11-17 | 2010-06-16 | 清华大学 | 基于时空图像序列的逆合成孔径雷达的目标转动估计方法 |
BR302012003900S1 (pt) * | 2012-08-01 | 2013-12-17 | Configuração aplicada em sapatilha | |
CN106093899A (zh) * | 2016-08-25 | 2016-11-09 | 赵国林 | 一种雷达工作模式识别方法 |
CN106228201A (zh) * | 2016-06-20 | 2016-12-14 | 电子科技大学 | 一种基于阴影特性的合成孔径雷达抗欺骗式干扰方法 |
CN106599808A (zh) * | 2016-12-01 | 2017-04-26 | 中国科学院光电研究院 | 一种基于全波形激光雷达数据的隐蔽目标提取方法 |
CN107621626A (zh) * | 2017-10-09 | 2018-01-23 | 中国矿业大学(北京) | 基于深度卷积神经网络的雷达信号铁路路基病害检测方法 |
CN108090412A (zh) * | 2017-11-17 | 2018-05-29 | 西北工业大学 | 一种基于深度学习的雷达辐射源类别识别方法 |
CN108229404A (zh) * | 2018-01-09 | 2018-06-29 | 东南大学 | 一种基于深度学习的雷达回波信号目标识别方法 |
CN109271926A (zh) * | 2018-09-14 | 2019-01-25 | 西安电子科技大学 | 基于gru深度卷积网络的智能辐射源识别方法 |
CN109507648A (zh) * | 2018-12-19 | 2019-03-22 | 西安电子科技大学 | 基于VAE-ResNet网络的雷达辐射源识别方法 |
CN109614905A (zh) * | 2018-12-03 | 2019-04-12 | 中国人民解放军空军工程大学 | 一种雷达辐射源信号深度脉内特征自动提取方法 |
CN109977871A (zh) * | 2019-03-27 | 2019-07-05 | 中国人民解放军战略支援部队航天工程大学 | 一种基于宽带雷达数据和gru神经网络的卫星目标识别方法 |
CN110766044A (zh) * | 2019-09-11 | 2020-02-07 | 浙江大学 | 一种基于高斯过程先验指导的神经网络训练方法 |
CN112308008A (zh) * | 2020-11-12 | 2021-02-02 | 电子科技大学 | 基于迁移学习的工作模式开集的雷达辐射源个体识别方法 |
-
2021
- 2021-03-09 CN CN202110254832.6A patent/CN112884059B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000187037A (ja) * | 1998-12-24 | 2000-07-04 | Sysmex Corp | 精度管理機能を備えた試料分析装置 |
CN101140324A (zh) * | 2007-10-11 | 2008-03-12 | 上海交通大学 | 海域合成孔径雷达图像点目标提取的方法 |
CN101488188A (zh) * | 2008-11-10 | 2009-07-22 | 西安电子科技大学 | 基于混合核函数的svm分类器的sar图像分类方法 |
CN101738614A (zh) * | 2008-11-17 | 2010-06-16 | 清华大学 | 基于时空图像序列的逆合成孔径雷达的目标转动估计方法 |
CN101509972A (zh) * | 2009-03-30 | 2009-08-19 | 西安电子科技大学 | 基于高分辨目标距离像修正相关矩阵的宽带雷达检测方法 |
BR302012003900S1 (pt) * | 2012-08-01 | 2013-12-17 | Configuração aplicada em sapatilha | |
CN106228201A (zh) * | 2016-06-20 | 2016-12-14 | 电子科技大学 | 一种基于阴影特性的合成孔径雷达抗欺骗式干扰方法 |
CN106093899A (zh) * | 2016-08-25 | 2016-11-09 | 赵国林 | 一种雷达工作模式识别方法 |
CN106599808A (zh) * | 2016-12-01 | 2017-04-26 | 中国科学院光电研究院 | 一种基于全波形激光雷达数据的隐蔽目标提取方法 |
CN107621626A (zh) * | 2017-10-09 | 2018-01-23 | 中国矿业大学(北京) | 基于深度卷积神经网络的雷达信号铁路路基病害检测方法 |
CN108090412A (zh) * | 2017-11-17 | 2018-05-29 | 西北工业大学 | 一种基于深度学习的雷达辐射源类别识别方法 |
CN108229404A (zh) * | 2018-01-09 | 2018-06-29 | 东南大学 | 一种基于深度学习的雷达回波信号目标识别方法 |
CN109271926A (zh) * | 2018-09-14 | 2019-01-25 | 西安电子科技大学 | 基于gru深度卷积网络的智能辐射源识别方法 |
CN109614905A (zh) * | 2018-12-03 | 2019-04-12 | 中国人民解放军空军工程大学 | 一种雷达辐射源信号深度脉内特征自动提取方法 |
CN109507648A (zh) * | 2018-12-19 | 2019-03-22 | 西安电子科技大学 | 基于VAE-ResNet网络的雷达辐射源识别方法 |
CN109977871A (zh) * | 2019-03-27 | 2019-07-05 | 中国人民解放军战略支援部队航天工程大学 | 一种基于宽带雷达数据和gru神经网络的卫星目标识别方法 |
CN110766044A (zh) * | 2019-09-11 | 2020-02-07 | 浙江大学 | 一种基于高斯过程先验指导的神经网络训练方法 |
CN112308008A (zh) * | 2020-11-12 | 2021-02-02 | 电子科技大学 | 基于迁移学习的工作模式开集的雷达辐射源个体识别方法 |
Non-Patent Citations (1)
Title |
---|
丁辰伟: "基于深度学习的雷达辐射源个体识别技术研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113283804A (zh) * | 2021-06-18 | 2021-08-20 | 支付宝(杭州)信息技术有限公司 | 一种风险预测模型的训练方法和*** |
CN113283804B (zh) * | 2021-06-18 | 2022-05-31 | 支付宝(杭州)信息技术有限公司 | 一种风险预测模型的训练方法和*** |
CN113298096A (zh) * | 2021-07-07 | 2021-08-24 | 中国人民解放军国防科技大学 | 训练零样本分类模型的方法、***、电子设备及存储介质 |
CN113298096B (zh) * | 2021-07-07 | 2021-10-01 | 中国人民解放军国防科技大学 | 训练零样本分类模型的方法、***、电子设备及存储介质 |
CN113505686A (zh) * | 2021-07-07 | 2021-10-15 | 中国人民解放军空军预警学院 | 一种无人机目标威胁评估方法及装置 |
CN114021458A (zh) * | 2021-11-05 | 2022-02-08 | 西安晟昕科技发展有限公司 | 基于并行原型网络的小样本雷达辐射源信号识别方法 |
CN115081472A (zh) * | 2022-05-18 | 2022-09-20 | 电子科技大学 | 一种用于雷达行为分析的脉冲信号语法建模及特征提取方法 |
CN115081472B (zh) * | 2022-05-18 | 2024-04-16 | 电子科技大学 | 一种用于雷达行为分析的脉冲信号语法建模及特征提取方法 |
CN115438735A (zh) * | 2022-09-09 | 2022-12-06 | 中国电信股份有限公司 | 基于联邦学习的质检方法、***、可读介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112884059B (zh) | 2022-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112884059B (zh) | 一种融合先验知识的小样本雷达工作模式分类方法 | |
CN105488528B (zh) | 基于改进自适应遗传算法的神经网络图像分类方法 | |
CN111753881B (zh) | 一种基于概念敏感性量化识别对抗攻击的防御方法 | |
Sun et al. | An experimental study on hyper-parameter optimization for stacked auto-encoders | |
CN111126134B (zh) | 基于非指纹信号消除器的雷达辐射源深度学习识别方法 | |
CN112257815A (zh) | 模型生成方法、目标检测方法、装置、电子设备及介质 | |
CN110531313A (zh) | 一种基于深度神经网络回归模型的近场信号源定位方法 | |
CN110197205A (zh) | 一种多特征来源残差网络的图像识别方法 | |
CN104537647A (zh) | 一种目标检测方法及装置 | |
Kye et al. | Meta-learned confidence for few-shot learning | |
CN112949383B (zh) | 一种基于HyDeep-Att网络的波形捷变雷达辐射源识别方法 | |
Lata et al. | Data augmentation using generative adversarial network | |
CN110690930A (zh) | 信源数量检测方法及装置 | |
CN111507297A (zh) | 一种基于度量信息矩阵的雷达信号识别方法及*** | |
CN108496174B (zh) | 用于面部识别的方法和*** | |
CN110188621A (zh) | 一种基于ssf-il-cnn的三维人脸表情识别方法 | |
Zhu et al. | A novel simple visual tracking algorithm based on hashing and deep learning | |
Sun et al. | Deep learning based pedestrian detection | |
CN116311504A (zh) | 一种小样本行为识别方法、***及设备 | |
Sufikarimi et al. | Speed up biological inspired object recognition, HMAX | |
Wang et al. | Kernel-based deep learning for intelligent data analysis | |
US20230041338A1 (en) | Graph data processing method, device, and computer program product | |
CN115147385A (zh) | 一种航空孔探视频中重复损伤的智能检测和判定方法 | |
Shen et al. | Tackling Early Sparse Gradients in Softmax Activation Using Leaky Squared Euclidean Distance | |
CN116520252B (zh) | 一种空中目标智能识别方法与*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |